什么是 Phala Network(PHA)?全面解析隐私计算、TEE 与 Confidential AI 基础设施

更新时间 2026-11-04 07:50:00
阅读时长: 7m
Phala Network(PHA)是面向隐私计算与 Confidential AI 的基础设施,利用 TEE、GPU TEE、dstack 与远程证明保护 AI 模型、用户数据和 Agent 运行环境。

Phala Network 是一个围绕可信执行环境(TEE)、机密计算与可验证计算构建的基础设施项目,其核心目标是让代码和数据能够在硬件保护的隔离环境中运行,同时通过远程证明(Attestation)让外部用户验证特定工作负载是否按照预期执行。Confidential AI

项目早期主要服务于 Web3 隐私计算和链下计算场景,随着 AI 对 GPU 算力、模型隐私和数据安全的需求快速增加,Phala 的技术重点逐渐转向 Confidential AI,并形成 Phala Cloud、GPU TEE、dstack 和私密 AI Agent 等产品与技术方向。

核心要点

  • Phala Network(PHA) 是一个以可信执行环境(TEE)和 Confidential Computing 为核心的基础设施项目,早期主要面向 Web3 隐私计算,如今进一步拓展至 Confidential AI、GPU TEE 和 AI Agent 等场景。

  • TEE 是 Phala 技术体系的基础,通过硬件隔离保护运行中的代码和数据,并结合远程证明(Attestation)验证计算环境是否符合预期。

  • Phala Cloud 与 GPU TEE 将机密计算能力扩展到 AI 工作负载,使模型、Prompt、用户数据及推理过程能够在受保护的 CPU 和 GPU 环境中运行。

  • dstack 是 Phala 面向开发者的开源 Confidential Computing Runtime,用于简化 TEE 应用部署、身份验证、密钥管理和 Attestation,让 AI Agent 等工作负载能够运行在可验证的机密环境中。

Phala Network(PHA)是什么?解析去中心化隐私计算网络的发展历程

Phala Network(PHA)是什么?解析去中心化隐私计算网络的发展历程

Phala Network 是一个以可信执行环境和机密计算为核心的计算基础设施项目,早期主要面向 Web3 的隐私计算、链下计算和智能合约扩展场景,之后逐渐将 TEE 能力延伸到 AI 推理、模型保护、私密数据处理和 AI Agent 等应用中。其基本思路并不是把所有计算过程直接放在区块链上,而是将高成本或涉及敏感信息的计算任务放到链下执行,再利用硬件安全机制和密码学证明建立可验证的信任关系。

Phala 最初的发展路径与 Polkadot 生态关系密切。早期网络采用 Intel SGX 等 TEE 技术,由运行 TEE 的 Worker 节点承担隐私计算任务,并通过 PHA 激励计算资源提供者。随着 Intel SGX 在大规模 AI 计算中的内存容量和性能限制逐渐显现,Phala 开始将技术重点转向 Intel TDX、AMD SEV-SNP 以及 NVIDIA GPU Confidential Computing 等新一代机密计算技术。

这一变化也带来了项目架构上的调整。根据 Phala 2025 年度总结,项目在 2025 年停止原有 Polkadot 平行链模式,并向 Ethereum L2 迁移,将质押、治理、计算奖励等机制进一步整合,同时把 TDX 和 GPU Confidential Computing 作为新的基础设施方向。

因此,如果从发展阶段理解 Phala,可以将其简单概括为:早期解决 Web3 隐私计算问题,中期扩展为通用 TEE 计算基础设施,当前则进一步面向 Confidential AI 和可验证 AI Agent 构建基础设施。

Phala 为什么从 Web3 隐私计算走向 Confidential AI

AI 的发展让“计算隐私”变得更加重要。传统云计算环境下,用户通常需要把模型、Prompt、数据库或者推理请求交给云服务商处理。即使传输过程使用 HTTPS 等加密方式,数据进入服务器内存并参与计算后,仍然需要信任基础设施运营方。

对于普通应用而言,这种信任模式可能已经足够,但 AI 场景涉及的敏感信息更加复杂。例如企业可能需要保护自己的模型权重、内部知识库和客户数据;个人 AI Agent 可能需要访问钱包、邮件、代码仓库或其他账户;金融机构则可能希望让模型处理交易数据,却不希望云平台能够直接读取这些数据。

Confidential AI 的核心思路,就是让 AI 在硬件保护的执行环境中完成计算,使模型、数据和运行状态在使用过程中也受到保护,同时通过 Attestation 提供可验证的运行证明。

Phala 从 Web3 隐私计算转向 Confidential AI,实际上是技术能力与应用需求的一次延伸。Phala 在 2026 年持续推进 GPU TEE、dstack、私密 AI 模型和 AI Agent 等方向,其官方研究页面也将可信执行环境、GPU 安全推理和可验证系统列为重点研究领域。

2026 年 6 月,Phala 还公布了基于 Blackwell GPU 的 Confidential Computing 研究,并持续推进 GLM-5.2 等模型在 H200 等 GPU TEE 环境中的运行。这意味着 Confidential AI 已经从概念验证逐步向更大规模的模型推理基础设施发展。

什么是 TEE?解析 Phala 的可信执行环境技术

TEE,即 Trusted Execution Environment,中文通常称为可信执行环境,是一种通过硬件隔离保护代码和数据的计算环境。

传统服务器中,应用程序虽然可以通过权限控制限制访问,但拥有较高系统权限的操作系统、Hypervisor 或管理员理论上仍然可能接触运行中的数据。TEE 则试图在硬件层面建立一个隔离区域,使敏感代码和数据能够在受保护的内存空间中运行。

TEE 主要解决三个问题:隔离执行、数据机密性和代码完整性。数据进入 TEE 后,可以通过硬件级内存加密降低被外部读取的风险;程序启动时则可以对运行环境进行测量,随后通过 Attestation 证明特定代码和配置确实运行在符合要求的硬件环境中。

Phala 的技术路线也经历了从 CPU TEE 到 CPU + GPU TEE 的扩展。早期的 SGX 更适合规模较小的可信计算任务,而 AI 大模型需要处理大量模型参数、KV Cache 和中间激活数据,因此 GPU TEE 对 Confidential AI 更为重要。

目前 Phala Cloud 支持 Intel TDX 等 CPU 侧机密计算技术,并结合 NVIDIA H100、H200 等 GPU 的 Confidential Computing 能力,为 AI 推理提供硬件隔离环境。

Phala Cloud 是什么?解析机密计算云与 GPU TEE 基础设施

Phala Cloud 可以理解为 Phala 面向开发者提供的机密计算云基础设施。与普通云服务器相比,其核心区别并不只是提供 GPU 算力,而是让计算任务运行在具有硬件保护和可验证能力的环境中。

在典型架构中,AI 应用可以运行于 Confidential VM(CVM)中,CPU 侧使用 Intel TDX 或 AMD SEV-SNP 等技术进行隔离,同时把 AI 推理任务交给支持 Confidential Computing 的 NVIDIA GPU。这样一来,模型和输入数据可以在 CPU、GPU 两个执行环境之间保持受保护状态。

Phala Cloud 在 2025 年推出 GPU TEE 支持时,重点面向 NVIDIA H100 和 H200,并强调 AI 工作负载可以在硬件保护环境中运行,同时提供实时 Attestation。

到了 2026 年,Phala Cloud 的产品形态进一步扩展。其 Confidential VM 产品支持 Docker 工作负载,并把硬件、虚拟机、镜像和应用配置等信息绑定到 Attestation 证明中。开发者因此可以使用相对熟悉的容器部署方式构建 AI Agent、私有 API、推理服务和 GPU 工作负载,而不必从零实现 TEE 基础设施。

这也是 Phala 从“区块链隐私计算网络”向“Confidential Computing Infrastructure”转型的重要体现。

dstack 是什么?解析 Phala 开源 Confidential Computing Runtime

dstack 是 Phala 推出的开源 Confidential Computing Runtime,主要用于简化 TEE 工作负载的部署、验证和密钥管理。

如果说 TEE 是硬件层面的安全基础,那么 dstack 更接近连接硬件、云环境和应用程序的运行时框架。它可以将 Docker Compose 等应用配置、操作系统镜像、硬件证明和密钥释放策略绑定在一起,使应用只有在满足预设安全条件时才能获得相应密钥。

Phala 当前的 dstack 架构支持 Intel TDX、AMD SEV-SNP、TPM、AWS Nitro NSM 以及 NVIDIA Confidential Computing 等不同证明路径,并通过 Attestation 建立从硬件到应用的信任链。

这种设计的价值在于,开发者不必简单地“相信某台服务器正在运行正确的软件”,而可以通过机器产生的密码学证明检查运行环境。2026 年 6 月,Phala 与 OPPO 发布的技术研究进一步将这一机制扩展到 Kubernetes Pod 级别,使 AI 工作负载可以获得与硬件、软件和 Pod 身份绑定的远程证明。

因此,dstack 的作用可以理解为把复杂的 TEE 技术封装成更加接近开发者工作流的运行时基础设施。

Phala 如何保护 AI 模型、Prompt 与用户数据

Confidential AI 的保护对象并不只有用户输入。对于 AI 应用而言,模型权重、Prompt、上下文、数据库、推理结果以及中间计算状态都可能属于敏感资产。

以一个企业 AI 助手为例,用户可能向模型提交内部财务数据,同时模型本身加载了企业自主训练的模型权重和内部知识库。如果这些内容全部在普通云服务器中运行,企业不仅需要信任云服务商,还需要承担服务器管理员、基础设施漏洞以及运行环境被入侵等风险。

在 TEE 架构下,敏感数据可以进入受硬件保护的 CVM 或 GPU TEE,模型则在相同的可信边界内运行。Phala 对 Confidential AI 的产品设计进一步覆盖私密推理、私有数据处理和模型训练等场景。例如其当前 Confidential AI 产品支持在 TEE 环境中进行私有模型训练,并保护数据集、梯度、Checkpoint 和评估过程。

需要注意的是,TEE 并不意味着“任何情况下都绝对安全”。它主要解决的是特定威胁模型下的运行时机密性和完整性问题,实际安全性仍取决于硬件实现、软件栈、密钥管理、应用代码以及部署配置。

Phala 如何让 AI Agent 在私密环境中运行

AI Agent 与普通聊天机器人相比,需要处理更多长期状态和权限,因此隐私计算的重要性也更加明显。

一个具备实际执行能力的 Agent 可能需要访问 API Key、钱包签名权限、代码仓库、邮件、数据库甚至链上账户。如果 Agent 运行在普通服务器中,服务商或服务器管理员理论上可能接触这些敏感信息。

Phala 的思路是让 Agent 运行在经过 Attestation 的 Confidential VM 中,并通过 dstack 对应用身份、运行环境和权限范围进行绑定。这样,Agent 使用的密钥、工具和记忆数据可以处于受保护环境中,外部系统则可以根据 Attestation 验证 Agent 的运行状态。

这一模式对 Web3 尤其具有吸引力。因为区块链本身擅长记录公开、可验证的状态,但并不适合直接存储私钥、用户 Prompt 或模型内部状态。TEE 可以承担链下私密执行,区块链则负责资产、权限、结算和治理,两者形成互补。

因此,Confidential AI Agent 并不是简单地给聊天机器人加一层加密,而是试图建立一种“私密执行 + 可验证身份 + 可审计结果”的 Agent 基础设施。

Attestation 是什么?解析 Phala 如何验证 AI 工作负载

Attestation,即远程证明,是 Confidential Computing 中连接“硬件安全”和“用户信任”的关键机制。

单纯把程序放进 TEE 并不能自动让远程用户相信它运行的是正确代码。用户还需要知道:使用的是什么硬件?加载了什么系统镜像?运行了什么应用?配置有没有被修改?

Attestation 就是为这些问题提供密码学证明。

在 Phala 的 dstack 架构中,应用的 Compose 配置、镜像、平台状态和 KMS 策略可以被绑定到一个应用身份。外部用户在验证证明后,才能决定是否信任对应运行环境,或者是否释放敏感密钥。

对于 AI 场景而言,这种机制尤其重要。例如用户不仅需要知道“这是一个 AI 模型 API”,还可能需要验证“这个 API 使用的是指定版本模型,并且运行在符合要求的 Confidential Computing 环境中”。

因此,Attestation 可以被理解为 Confidential AI 的“可验证入口”:TEE 负责保护执行过程,Attestation 则负责证明这个执行过程确实发生在预期环境中。

PHA 是什么?解析 Phala Network 原生代币的用途

PHA 是 Phala 生态的原生代币,早期主要用于计算资源激励、网络治理和质押等机制。

在 Phala 原有网络模型中,Worker 节点提供 TEE 计算资源,并通过 PHA 获得相应激励;PHA 持有者也可以通过质押或委托等方式参与网络安全和治理。Phala 官方资料曾将 PHA 定义为网络中的原生 Utility 和 Governance Token,并用于激励 Worker、计算资源使用以及治理。

随着 Phala 从原有 Polkadot 平行链架构向 Ethereum L2 迁移,PHA 的技术基础设施和价值捕获方式也处于演进过程中。2025 年的迁移计划将质押、治理、计算奖励和资产流转进一步整合到新的架构中。

因此,理解 PHA 时需要区分“代币用途”和“代币价格”。PHA 的网络用途主要来自计算资源激励、治理以及生态参与等机制,而其市场价格仍受到加密市场流动性、项目发展、供需结构和市场预期等多种因素影响,二者不能简单等同。

Phala 如何连接 AI、Web3 与隐私计算生态

Phala 的一个重要特点,是其基础设施并不需要把 AI 和区块链强行放在同一个执行环境中。

AI 更适合在 GPU 和高性能云基础设施上运行,区块链则适合处理资产所有权、交易、结算和公开验证。TEE 可以成为两者之间的隐私执行层。

例如,一个 Web3 AI Agent 可以把模型推理和私钥操作放在 TEE 中,把交易结果提交到链上;一个 DeFi 应用可以将敏感策略放入 Confidential Computing 环境,再把经过验证的结果用于链上逻辑;企业则可以让 AI 模型访问内部数据库,而不需要把原始数据暴露给云服务商。

这种架构也解释了为什么 Phala 在 2026 年继续扩大 AI Agent、Confidential AI 和 Web3 计算场景。其近期生态内容已经覆盖 DeFi、AI Agent、LLM、GPU TEE 和云原生 AI 等方向。

从更大的产业视角来看,Phala 所尝试解决的问题实际上是 AI 基础设施中的“信任层”:算力可以来自云端,模型可以来自不同开发者,数据可以来自不同机构,但最终需要一个机制证明这些资源是在符合预期的环境中完成计算。

Phala 面临哪些挑战?解析 TEE、GPU 成本与 Confidential AI 的发展问题

尽管 Confidential AI 的需求不断增长,TEE 仍然不是没有限制的技术方案。

  1. 来自硬件和成本。AI 模型越来越大,对 GPU 显存和带宽的要求持续增加,而 Confidential Computing 需要额外的安全机制和硬件支持。H100、H200 以及更新一代 GPU 的价格和资源供应,本身就会影响 Confidential AI 的商业化规模。

  2. 来自性能。Phala 的公开资料显示,其目标是让 Confidential GPU 工作负载尽可能接近原生性能,但实际开销会受到模型架构、通信方式、GPU 利用率和 CPU-GPU 数据交换等因素影响。Phala 2026 年的研究甚至指出,在 Blackwell GPU 的 Confidential Computing 场景中,CVM 与 GPU 之间的桥接可能成为影响 LLM Serving 性能的重要因素。

  3. TEE 本身的信任边界。TEE 可以降低对云服务商和系统管理员的信任要求,但并不能消除所有软件漏洞,也无法替代应用层安全、密钥管理和访问控制。不同 CPU、GPU 厂商拥有不同的硬件架构和 Attestation 机制,跨平台统一验证也是基础设施需要解决的问题。

  4. 市场需求。Confidential AI 的技术价值比较明确,但真正愿意为隐私、可验证性和合规能力支付额外成本的用户群体,仍需要随着金融、医疗、企业 AI 和 Agent 等场景的发展逐步扩大。

因此,Phala 后续能否形成更大规模的基础设施使用,不仅取决于 TEE 技术本身,也取决于 GPU 成本、开发者体验、标准化程度、生态合作和商业模式。

总结

Phala Network 的技术路线经历了较明显的阶段变化:从早期以 TEE 为核心的 Web3 隐私计算网络,到面向通用 Confidential Computing 的基础设施,再到当前重点发展的 Confidential AI、GPU TEE 和私密 AI Agent。

其中,TEE 解决的是数据和代码在执行过程中的隔离问题,GPU TEE 将这一能力扩展到大规模 AI 推理,dstack 则负责把复杂的 TEE、镜像、密钥和 Attestation 流程封装成开发者可以使用的运行时基础设施。Attestation 则进一步解决“如何证明程序确实按照预期运行”的问题。

对于 AI 行业而言,这套架构的意义在于让模型、数据和 Agent 的运行环境从单纯依赖平台信任,逐步转向“硬件保护 + 密码学证明”。对于 Web3 而言,Confidential Computing 又提供了一种处理链下隐私数据、AI Agent 和高性能计算的方式。

因此,理解 Phala Network 不能只把它看作传统意义上的隐私区块链。随着项目向 TDX、GPU TEE、dstack 和 Confidential AI 基础设施持续扩展,Phala 更值得关注的方向已经转向如何为 AI 和 Web3 提供可验证的私密计算环境。

FAQ

Phala Network(PHA)是什么?

Phala Network 是一个以可信执行环境(TEE)和 Confidential Computing 为核心的计算基础设施项目。其早期重点是 Web3 隐私计算和链下计算,目前进一步扩展到 Confidential AI、GPU TEE、私密 AI Agent 和可验证计算等场景。

Phala 的 TEE 有什么作用?

TEE 可以通过硬件隔离和内存加密保护代码与数据,使计算过程不必完全依赖云服务商或服务器管理员的信任。同时,TEE 可以生成 Attestation,让外部用户验证特定代码和运行环境。

dstack 是什么?

dstack 是 Phala 推出的开源 Confidential Computing Runtime,用于简化 TEE 工作负载的部署、身份绑定、密钥释放和远程证明流程。它可以连接应用容器、CVM、CPU/GPU TEE 和 Attestation。

Phala Cloud 与普通云计算有什么区别?

Phala Cloud 不只是提供 CPU 或 GPU 算力,而是强调硬件支持的 Confidential Computing。AI 工作负载可以运行在 Confidential VM 和 GPU TEE 中,并通过 Attestation 对硬件、软件镜像和应用状态进行验证。

PHA 有什么用途?

PHA 是 Phala 生态原生代币,主要涉及计算资源激励、质押、治理以及生态应用等功能。随着 Phala 基础设施架构持续演进,PHA 的具体网络用途和价值捕获机制也需要结合最新网络设计理解。

作者: Learn Team
免责声明

* 投资有风险,入市须谨慎。本文不作为 Gate 提供的投资理财建议或其他任何类型的建议。

* 在未提及 Gate 的情况下,复制、传播或抄袭本文将违反《版权法》,Gate 有权追究其法律责任。

相关文章

浅谈合并:什么是以太坊2.0?
中级

浅谈合并:什么是以太坊2.0?

一场可能影响整个加密生态的升级
2026-11-10 07:54:21
不可不知的比特币减半及其重要性
新手

不可不知的比特币减半及其重要性

在比特币网络历史上,最令人期待的事件之一就是比特币减半。当矿工验证交易并添加新区块后获得奖励时,就会创建新的比特币。新铸造的比特币就是奖励的来源。比特币减半减少了矿工的奖励,因此新比特币进入流通的速度也减半。人们认为减半事件对网络以及比特币的价格产生了重大影响。 法币何时发行取决于政府的决定,而比特币则不同,其发行上限为21,000,000枚。减半是一种调节比特币产量的方法,同时有助于抑制通货膨胀,因为减半让比特币的铸造无法超过发行量上限。本文将深入研究比特币减半及其重要性。
2026-11-04 07:48:40
减半、周期与轮回:一部比特币发展史
中级

减半、周期与轮回:一部比特币发展史

探索比特币的减半历史与未来影响,深入了解其在区块链技术与金融领域的创新应用与投资前景。提供独到见解与分析。
2026-11-04 07:48:54
如何选择比特币钱包?
新手

如何选择比特币钱包?

本文将介绍一些最通用的比特币钱包类型,还将研究每种钱包的优缺点,以及它们的功能、安全性和易用性。阅读完本文,您能更好地了解可用的不同类型的比特币钱包,并明白哪一种更适合您。
2026-11-04 07:48:43
Master Protocol:激活 BTC 生息潜力
中级

Master Protocol:激活 BTC 生息潜力

比特币的工作量证明限制了持有者通过直接质押的方式获得收益,尽管比特币在市值上驱动主导机制地位,但大量比特币未充分利用。通过主协议协议,用户可以将比特币质押在第 2 层上,并接收 LST 作为其质押凭证,允许用户在多个场景下再次投资他们的 LST,在不影响流动性的情况下保证收益,透视对再质押协议的采用,用户可以进一步质押LST连接LRT,再次增强他们的投资能力和资产流动性。
2026-11-04 07:48:58
CKB:闪电网络促新局,落地场景需发力
中级

CKB:闪电网络促新局,落地场景需发力

在最新发布的闪电网络Fiber Network轻皮书中,CKB介绍了其对传统BTC闪电网络的若干技术改进。Fiber实现了资产在通道内直接转移,采用PTLC技术提高隐私性,解决了BTC闪电网络中多跳路径的隐私问题。
2026-11-04 07:48:59